python提取pdf

前言

项目的需求中曾经提到能够处理多重类型的文档，虽然不太实用，但是还是要想办法实现；
遇到的问题和之前类似：正文和代码不能用用一种方法同时提取。

提取正文

需要用到pdfminer库：
由于PDF文件有如此大和复杂的结构，完整解析PDF文件很费时费力；
大多数PDF工作中，很多模块是不需要加进来的；
因此 PDFMiner采用了一个懒惰分析的策略，就是只分析所需要的部分；
解析时候，至少需要2个核心类，PDFParser 和 PDFDocument，这两个模块配合其他模块来使用。
大致流程：
1.PDFParser 从文件中获取数据
2.PDFDocument 存储文档数据结构到内存中
3.PDFPageInterpreter 解析page内容
4.PDFDevice 把解析到的内容转化为你需要的东西
5.PDFResourceManager存储共享资源，例如字体或图片
code:

def get_pdf_text(in_path, out_path):
    '''解析PDF文本，并保存到TXT文件中'''
    fp = open(in_path,'rb')
    #用文件对象创建一个PDF文档分析器
    parser = PDFParser(fp)
    #创建一个PDF文档
    doc = PDFDocument()
    #连接分析器，与文档对象
    parser.set_document(doc)
    doc.set_parser(parser)

    #提供初始化密码，如果没有密码，就创建一个空的字符串
    doc.initialize()

    #检测文档是否提供txt转换，不提供就忽略
    if not doc.is_extractable:
        raise PDFTextExtractionNotAllowed
    else:
        #创建PDF，资源管理器，来共享资源
        rsrcmgr = PDFResourceManager()
        #创建一个PDF设备对象
        laparams = LAParams()
        device = PDFPageAggregator(rsrcmgr,laparams=laparams)
        #创建一个PDF解释其对象
        interpreter = PDFPageInterpreter(rsrcmgr,device)

        #循环遍历列表，每次处理一个page内容
        # doc.get_pages() 获取page列表
        for page in doc.get_pages():
            interpreter.process_page(page)
            #接受该页面的LTPage对象
            layout = device.get_result()
            # 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象
            # 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等
            # 想要获取文本就获得对象的text属性，
            for x in layout:
                if(isinstance(x,LTTextBoxHorizontal)):
                    with open(out_path,'a') as f:
                        results = x.get_text()
                        f.write(results  +"\n")

提取图片

需要用到pymupdf库。
code:

def get_pdf_picture(in_path, out_folder_path):
    doc = fitz.open(in_path)
    for i in range(len(doc)):
        imglist = doc.getPageImageList(i)
        for j, img in enumerate(imglist):
            xref = img[0]
            pix = fitz.Pixmap(doc, xref)   # 利用库函数
            out_name = get_file_name(in_path)
            print(out_name)
            if pix.n - pix.alpha < 4:      # 能储存为PNG格式
                pix.writePNG(out_folder_path+out_name+"%s-%s.png" % (i+1, j+1))
            else:                          # 需要进行转化
                pix0 = fitz.Pixmap(fitz.csRGB, pix)
                pix0.writePNG(out_folder_path+out_name+"%s-%s.png" % (i+1, j+1))
                pix0 = None                # 释放资源
            pix = None  

参考：【python】提取pdf文件中的所有图片